# NTU两项研究获最佳论文奖，聚焦人工智能“胡编”与长文本理解难题

URL: https://www.shicheng.news/v/vEqkE
Published: 2026-11-03
Source: 狮城新闻

怎样让大语言模型不只“答对”，还真正理解不同社群期待怎样的回答？当输入几十页甚至更长的内容时，模型又如何快速找到最相关的信息，而不是把每一段都同等对待？

这两个位于自然语言处理不同层次的问题，让NTU研究团队在国际顶级会议上同时获得认可。

在匈牙利布达佩斯举行的2026年自然语言处理实证方法会议（EMNLP 2026）上，**NTU计算与数据科学学院（CCDS）Jordan Boyd-Graber教授和Luu Anh Tuan副教授参与的论文，包揽本届全部两项最佳论文奖。**

一项研究“AI应该怎样回答”，另一项深入模型内部，研究“AI应该怎样读取”。两项成果共同展现了NTU自然语言处理研究的广度。

## 为什么EMNLP最佳论文奖值得关注？



EMNLP是人工智能与自然语言处理领域的重要国际会议之一，研究覆盖语言模型、机器翻译、问答系统、文本生成、语言理解与AI评测等方向。

会议官方公布的2026年Best Paper名单只有两篇，而两篇论文均有NTU CCDS教师参与。这意味着NTU团队同时在“人与模型如何沟通”和“模型如何高效处理信息”两个方向获得最高级别认可。

## 最佳论文一：AI回答问题，为什么总有一种“机器味”？



**论文题目：**

*DiscoTrace: Representing and Comparing Answering Strategies of Humans and LLMs in Information-Seeking Question Answering*

**作者：**Neha Srikanth、Jordan Boyd-Graber、Rachel Rudinger

**NTU研究者：**Jordan Boyd-Graber教授

面对同一个问题，不同社群往往有不同的回答习惯。技术论坛可能偏好直接给出步骤，经验分享社区可能先解释背景，有些回答者会补充个人看法，有些则会刻意避开问题中不确定的部分。

但大语言模型即使在事实层面回答正确，也可能没有真正捕捉这些语境和社群规范。它们常常倾向于面面俱到，把问题的各种可能解释全部覆盖，结果看似完整，却未必符合用户真正期待的交流方式。

![NTU两项研究获最佳论文奖，聚焦人工智能“胡编”与长文本理解难题](https://www.shicheng.news/images/image/1793/17934869.avif?0)





## DiscoTrace：把回答拆成一条“策略轨迹”



研究团队开发了名为**DiscoTrace**的方法，把一段回答拆解为连续的语言行为，并给每个部分贴上标签，例如陈述、评论，或没有直接回应问题。

系统还会记录回答者如何理解原始问题。这样一来，研究人员比较的不再只是答案包含哪些词，而是能够观察回答者用了怎样的沟通策略。

团队分析了九个不同网络社群中的人类回答，并与LLM生成内容进行比较。结果显示，不同人类社群对“好答案”有不同偏好；相比之下，LLM的修辞策略缺少多样性，即使提示模型模仿特定社群的规则，这种差异仍然存在。

DiscoTrace未来可用于评估和调整模型，使AI回答更能适应具体社群、用户意图与交流情境。这里的目标不是简单让AI“装得像人”，而是让它更准确地理解什么信息应该说、怎样组织，以及哪些部分不必过度展开。

## 最佳论文二：长文本里，模型不必“什么都读”



**论文题目：**

*Don’t Read Everything: A Curvature-Conditioned Query for Linear Attention*

**作者：**Dong Le、Thong Thanh Nguyen、Cong-Duy T Nguyen、Anh Tuan Luu

**NTU研究者：**Luu Anh Tuan副教授

大语言模型处理长文本时，需要决定当前问题应该关注前文中的哪些信息。传统Softmax注意力效果强，但计算量会随着文本长度快速增长；线性注意力更节省资源，却往往在长上下文检索中落后。

问题之一在于，许多线性注意力机制让过去存储的信息都参与读取。真正有用的目标可能被大量不相关内容“稀释”，就像在一整座图书馆中寻找一句话，却把每本书都当成同等重要。

![NTU两项研究获最佳论文奖，聚焦人工智能“胡编”与长文本理解难题](https://www.shicheng.news/images/image/1793/17934870.avif?0)





## CCQ：先调整问题，再去读取记忆



研究团队提出**曲率条件查询机制（Curvature-Conditioned Query，CCQ）**。它不是继续改变模型怎样把信息写入记忆，而是在读取阶段调整查询，让模型降低高重复、高方差信息的干扰，更集中地检索相关内容。

CCQ只修改读取步骤，因此可以与不同线性注意力架构组合。论文报告显示，把它接入GLA和Gated DeltaNet后，可改善语言模型困惑度、零样本任务准确率、长上下文信息检索、从4K到20K长度外推，以及LongBench表现。

这项研究为下一代长上下文模型提供了一条新思路：效率不一定只来自压缩记忆或减少存储，也可以来自让模型学会更聪明地“提问”和读取。

## 两篇论文，分别解决LLM的“上层”与“底层”问题



DiscoTrace关注用户真正看到的回答：内容如何组织、是否符合语境、不同社群怎样定义好答案。

CCQ则深入模型内部的计算机制，研究长上下文中怎样以更低成本检索最相关的信息。

前者更接近语言、沟通与人类需求，后者更接近模型架构、计算效率与信息检索。两者一个向外理解人，一个向内改进机器。

正如Jordan Boyd-Graber教授所指出，两种类型的研究同时在NTU开展，体现了学校在自然语言处理领域不断增长的研究广度。

## 奖项背后，是更实用也更懂人的AI



大语言模型下一阶段的竞争，不只是参数更多、回答更长。它还需要理解不同用户和社群的沟通习惯，在长文本中高效找到证据，并在速度、成本与准确性之间取得平衡。

NTU团队包揽EMNLP 2026两项最佳论文奖，正好呈现了这两个互补方向：让AI更懂得如何回答，也更懂得如何读取。